Discovery Loop는 반복적인 실험 과정을 AI로 자동화해 과학·공학 연구 속도를 높이고 결과물의 양과 품질을 개선하는 시스템을 개발함

프런티어 AI 모델과 대규모 컴퓨팅 인프라로 실험을 제안·실행·평가하고 결과에서 학습하며, 수천 개의 실험을 병렬 수행해 반복 시간을 단축함

초기에는 머신러닝 연구·엔지니어링 자동화에 집중해 자체 기술 스택을 최적화한 뒤 다른 분야로 확장할 계획임

Jeff Dean, Sanjay Ghemawat, Quoc Le, Oriol Vinyals가 창업팀을 구성했으며, 칩부터 인프라·ML 모델·제품까지 아우르는 풀스택 구축 경험을 보유함

측정 가능한 결과가 있는 학습 루프를 자동화해 의약품, 의료정보학, 태양에너지, 깨끗한 물, 사이버 보안 등 NAE Grand Challenges에 도전하는 것이 장기 목표임

실험 루프 자동화 전략

과학적 발견은 실험을 제안하고 구현·실행한 뒤 결과를 검토해 접근법을 수정하는 순차적 반복 과정에 의존해 왔으며, 여러 분야에서 여전히 느리고 노동집약적임

Discovery Loop는 프런티어 AI 모델과 대규모 컴퓨팅 인프라를 활용해 실험의 제안·실행·평가·학습으로 이어지는 전체 루프를 자동화하려 함

수천 개의 실험을 병렬로 실행해 반복 시간을 크게 줄이고 과학·공학 결과물의 양과 품질을 높이는 것이 목표임

첫 적용 분야는 머신러닝 연구와 엔지니어링임

자동화된 ML 역량으로 자체 기술 스택을 빠르게 최적화한 후 다른 분야로 확장할 계획임

측정 가능한 결과가 존재하는 과학·공학 학습 루프라면 이 접근법을 적용할 수 있다고 봄

더 나은 의약품 개발, 의료정보학 발전, 경제적인 태양에너지, 깨끗한 물에 대한 접근, 사이버 공간 보호, 과학적 발견 도구 개발 등 National Academy of Engineering Grand Challenges를 목표 사례로 삼음

궁극적으로 머신러닝·과학·공학의 중요한 문제를 자동으로 해결하고, 기술 해법을 더 빠르게 전 세계에 전달하는 AI 시스템을 지향함

창업팀과 조직 계획

창업팀은 오랫동안 함께 협업해 온 Jeff Dean, Sanjay Ghemawat, Quoc Le, Oriol Vinyals로 구성됨

AI 분야 최다 인용 연구자 3명과 분산 시스템 분야 최다 인용 연구자 2명이 포함됨

Google Search, Google Ads, Google News, Google Translate, Google File System, MapReduce, BigTable, Spanner, TensorFlow, Pathways, TPU, AlphaChip, AlphaStar, AlphaCode, AlphaFold, Gemini 개발 경험을 보유함

모델 증류, 전문가 혼합(mixture-of-experts) 모델 아키텍처, word2vec, 시퀀스 투 시퀀스 모델, 사고 사슬 추론, 신경망 아키텍처 탐색, 여러 세대의 LLM에도 참여함

칩과 하드웨어 인프라부터 소프트웨어 인프라, ML 모델, 제품까지 이어지는 대규모 풀스택 시스템 구축 경험을 경쟁력으로 삼음

소수 인원이 현재의 대규모 과학자·엔지니어 팀보다 더 빠르고 높은 품질로 연구·엔지니어링 작업을 수행하는 미래를 목표로 하며, 이를 위해 대면 중심의 소규모 팀을 구성 중임

Jeff의 글에 따르면 실험 순환 자동화를 과학·공학 전반에 적용하되, 처음에는 머신러닝 연구와 엔지니어링에 집중할 계획임
머신러닝 전문성과 대규모 시스템 역량이 모두 필요하며, 궁극적으로 미국공학한림원의 14대 난제 대부분의 핵심 하위 문제에 기여할 수 있다고 봄
여기에는 경제적인 태양광, 핵융합 에너지, 탄소 격리, 질소 순환 관리, 깨끗한 물, 도시 기반 시설, 의료 정보학, 신약, 뇌 역공학, 핵 테러 방지, 사이버 공간 보안, 가상현실, 개인화 학습, 과학적 발견 도구가 포함됨

이 문제 대부분의 해법은 새로운 기술보다 정책에 달려 있음
대기업들이 과학을 부정하는 괴짜들에게 영합하지 않는다면 더 많은 진전을 이룰 수 있을 것임

태양광 발전은 이미 경제적이지 않나 싶음

Sandbox 2.0처럼 보이며, 태양광 발전은 이미 경제성을 확보했음

명예로운 시도지만 의료·교육·도시·에너지처럼 강한 규제를 받는 분야는 영리한 공학의 부재만큼이나 현명하지 못하거나 낡은 정책에 막혀 있음
핵심 병목 요인까지 고려했는지 궁금함

상온·상압 초전도체도 필요함

기관 차원에서 대규모로 확장한 Karpathy의 autoresearch처럼 보임
Karpathy는 3월에 다음 단계로 에이전트들이 SETI@home처럼 비동기적으로 대규모 협업해야 한다고 했으며, 해당 글은 보호돼 있지만 검색 결과 캐시에 남아 있음
Karpathy는 다른 과학 분야보다 머신러닝과 소프트웨어 공학 연구에 주로 집중했지만, Discovery Loop가 autoresearch의 영향을 받지 않았다고 보기는 어려움

일반 대중에게 알려진 것 중에는 autoresearch가 가장 가까운 사례지만, 이 주제를 다루는 연구 문헌도 이미 활발히 축적되고 있을 것임

AI는 소프트웨어, 수학 증명, 문헌 검색처럼 사고와 설계의 영역에서는 인간을 뛰어넘는 속도로 반복할 수 있지만, 실물 실험에는 신체가 없다는 제약이 따름
AI에 필요한 것은 초월이 아니라 현실 세계에 구현되는 것이며, 연구실·창고·공장에서 수많은 인간의 손을 빌려 실제 노동을 수행해야 함

연구자 쪽의 물리적 제약만 해결해서는 충분하지 않음
인간 대상 연구에서는 쉬지 않는 로봇 연구자가 있어도 연구 대상의 시간 자체를 앞당길 수 없음. 수명과 사망률 연구에서 부정확한 대리 지표를 쓰는 가장 큰 이유도 무작위로 뽑은 두 집단의 삶을 60년 동안 통제하고 변수 하나만 달리하는 실험이 윤리적·현실적으로 불가능하기 때문임
천문학도 마찬가지로 초신성처럼 관측 대상이 실제로 발생할 때까지 기다려야 하며, 자연의 시간표는 자동화할 수 없음

AI가 다음 고에너지 입자 충돌기 건설을 어떻게 자동화할지는 보고 싶음

시뮬레이터를 사용할 수 있지만 재료과학 같은 분야의 시뮬레이션은 막대한 연산 자원을 소모하고 몇 주씩 걸릴 수 있음
따라서 에이전트가 흔히 하듯 여러 접근을 마구 시도하는 방식은 계산 비용과 실행 시간 때문에 잘 통하지 않을 수 있음

창립팀의 구성이 놀라울 정도이며 앞으로의 결과가 기대됨
AGI 같은 표현을 내세우지 않고 다른 AI 기업보다 훨씬 실용적인 사명 선언을 한 점도 마음에 듦

“세상을 더 나은 곳으로 만든다”는 전형적인 문구를 그대로 따르는 듯함

어느 부분이 지나치게 기술적이거나 전문 용어투성이라는 것인지 궁금함

“우리의 사명은 간단하다”라고 해놓고 페이지에서 가장 복잡한 문장을 이어 붙여, 이제 간단하다는 말의 정의가 무엇인지 궁금해짐

과학 장비와 센서, 로봇공학은 어떻게 할지, 기존 연구기관과 어떻게 협력할지, 제한된 데이터는 어떻게 다룰지도 불분명함
과학 현대화는 내부 실험 순환을 최적화하는 것보다 훨씬 복잡하지만, 채용 페이지를 보면 주로 모델 개발에 집중하는 순수 머신러닝 연구소처럼 보임

Jeff와 팀은 무기나 인간 추적 같은 문제성 있는 AI 활용을 피하도록 회사를 영리하게 설계한 듯함
성과를 내온 최고 수준 연구자들과 함께 일하면서 이런 용도를 피할 수 있다는 점 때문에 많은 유능한 연구자가 합류하려 할 것임

이를 뒷받침하는 자료나 추가 정보가 있는지 궁금함

페이지에는 “사이버 공간 보안”도 포함돼 있는데, 오늘날에는 분명한 군사적 함의가 있음

컴퓨터가 주도하는 발견은 새로운 과학혁명이 될 수도 있음
“20년 전에도 가능했던 일”을 뒤늦게 발견하는 경우가 많은데, 지치지 않는 탐색자가 있다면 그런 누락을 상당수 메울 수 있을 것임
다만 인간과 초인적 존재가 공존하고 인간의 과학은 후자의 연구를 분석하는 메타 연구로 바뀌는 Ted Chiang의 이야기 같은 미래도 떠오름

물론 과학혁명이 되지 않을 수도 있음

솔직히 스타트업보다는 라이프스타일 비즈니스나 취미 프로젝트에 가까워 보여 큰 사업적 성공은 기대하지 않음
그래도 경쟁을 지나치게 의식하지 않고 업계의 여러 동료와 흥미로운 논문을 쓴다면 인류와 당사자 모두에게 좋은 일이 될 것임

공익법인은 스타트업일 필요가 없음
스타트업의 주된 목표는 최대한 빠르게 성장하는 것이고, 이는 공익에 도움이 되는 경우가 드묾. 스타트업이 아닌 모든 회사를 라이프스타일 비즈니스라고 부르는 건 우스우며, 대부분 엄청난 시간과 돈을 낭비하다 가끔 Google 같은 회사를 만드는 스타트업 쪽이 특이한 형태임

이론물리학자가 아무리 많이 사고해도 아이디어를 자연을 상대로 검증할 수 없다면 큰 쓸모가 없으므로, 사업이 되지 않을 이유는 명확하지 않음

이들은 생산성이 매우 높고 훌륭한 결과물을 실제로 만들어 제공해 왔으니 성공 여부는 아직 모름

Google이 미국 정부에 군사용 AI를 제공하기로 한 뒤 DeepMind를 떠난 사람이 Jeff Dean에게도 퇴사를 권유했음: https://turntrout.com/why-i-left-google-deepmind
Jeff Dean 정도의 위상을 가진 사람이 퇴사를 시도하면 이런 조직이 만들어지는 것인지도 모르겠음
솔직히 Jeff Dean이 AI 연구 자동화 경쟁에 뛰어드는 것보다는 ICE를 위한 가장 섬뜩한 기술을 만드는 편이 낫다고 느낄 만큼, AI 연구 자동화는 두려움

조직 관계자들의 연관 게시물을 보면 한동안 내부 상황이 마냥 평화롭지만은 않았던 듯함
다만 당사자 이름이나 구체적인 사례를 공개하고 싶지는 않음